搜索资源列表
Ch1799
- 小波工具箱的应用基础 395 16.1 一维小波分析的应用 395 16.1.1 小波分解在普通信号分析中的应用 395 16.1.2 小波变换在信号特征检测中的应用 411 16.2 二维小波分析的应用 417 16.2.1 小波分析在图像平滑中的应用 417 16.2.2 小波分析在图像增强中的应用 418 16.2.3 小波分析在图像融合中的应用 420 16.3 小波包分析的应用 422 16.3.1 小波包在信号时频分析中的应用 423 16.
fusion-feature-face-recognition
- 图像重构的人脸识别、多特征融合的人脸识别、独立特征融合的人脸识别方法 -Image reconstruction for face recognition, face recognition, multi-feature fusion independent feature fusion approach for face recognition
05582198
- 在这篇文章中，我们提出用一种全新的方法即前景后景分离（FBS）结构法来解释极化合成孔径雷达（极化SAR）图像。这种FBS结构法在像素上考虑了空间关系并融合了成对差异分组法的优点，FBS法可以将特定的目标和对象从背景中分离出来，这在解译系统中是必不可少的。可结合多种FBS操作来解译极化SAR图像并灵活地融合各种固有特征的极化SAR数据。几组极化SAR数据将被用来验证提出的方法。-In this article, we propose a new method that prospects King
Feature-fusion-based-on-NMF-and-NSCT
- 一种基于非负矩阵分解和红外特征的图像融 合方法，实现源图像的目标区域和背景区域分别融合。-A proposal method based on non-negative factorization (NMF) and infrared feature is presented for infrared and visual images fusion, which fuses the target region and background respectively .
zijichangshimbianyige
- 以多光谱数据为原始数据，通过空间变换、滤波、融合、纹理及图像处理等手段，提取遥感图像多维、多尺度特征，最终建立面向目标检测、识别和分析的特征空间，并使用NASA的实测数据对方法的性能进行验证和分析。-Multi-spectral data to the original data, through space conversion, filtering tools, integration, texture and image processing, remote sensing images
Contourlet-image
- 图像融合论文，基于非下采样Contourlet变换和区域特征的医学图像融合-Image fusion papers, fusion based on nonsubsampled Contourlet transform and regional characteristics of medical images
多源遥感数据
- 多源遥感图像融合技术可以将多源传感器的图像数据进行关联和复合,产生出比单一信息源更精确、更完整、更可靠的估计和判断。图像融合分为三个层次:像素层、特征层和决策层。在农业植被长势等领域有很好的应用价值。
图像检索开题报告
- 一种基于多特征融合的风景图像检索方法；图像检索毕业设计开题报告。
Image-Stitching
- 基于SIFT特征的全景图像拼接 主要分为以下几个步骤： (1) 读入两张图片并分别提取SIFT特征 (2) 利用k-d tree和BBF算法进行特征匹配查找 (3) 利用RANSAC算法筛选匹配点并计算变换矩阵 (3) 图像融合 -Image Stitching
xy721
- 人脸识别中的光照处理方法，用于特征降维，特征融合，相关分析等,利用matlab针对图像进行马氏距离计算 。- Face Recognition light treatment method, For feature reduction, feature fusion, correlation analysis, Using matlab to calculate the Mahalanobis distance for the image.
结合双模多尺度 ＣＮＮ 特征及自适应深度ＫＥＬＭ 的浮选工况识别
- 针对可见光图像特征驱动的浮选工况识别方法的不足，提出一种基于双模态图像多尺度 ＣＮＮ 特征及自适应深度自编码核极限学习机（Ｋｅｒｎｅｌ Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ，ＫＥＬＭ）的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解，设计双通道 ＣＮＮ 网络对双模态多尺度图像进行特征提取及融合，将多个双隐层自编码极限学习机串联成深度学习网络对 ＣＮＮ 特征逐层抽象提取，然后通过核极限学习机映射到更高维空间进行决策，最后改进量子细菌觅食算法并应用于深度自编码